01本地部署 DeepSeek 的必要性

隨著人工智能技術(shù)的快速發(fā)展，企業(yè)對 AI 模型的部署方式有了更多選擇。本地部署 DeepSeek-R1 模型具有以下顯著優(yōu)勢，使其成為許多企業(yè)和開發(fā)者的首選：

1. 數(shù)據(jù)隱私與安全

在本地環(huán)境中部署 DeepSeek-R1 模型，可以確保敏感數(shù)據(jù)完全隔離于外部網(wǎng)絡(luò)，避免數(shù)據(jù)泄露的風(fēng)險。這對于處理涉及商業(yè)機密、個人隱私或受監(jiān)管數(shù)據(jù)的應(yīng)用場景至關(guān)重要。

2. 定制化能力

本地部署允許企業(yè)根據(jù)自身業(yè)務(wù)需求對模型進行微調(diào)和優(yōu)化。例如，通過領(lǐng)域知識微調(diào)，DeepSeek-R1 可以更好地適應(yīng)特定行業(yè)的應(yīng)用場景，從而提升模型的準(zhǔn)確性和實用性。

3. 低延遲響應(yīng)

本地部署減少了對云端服務(wù)的依賴，避免了網(wǎng)絡(luò)傳輸帶來的延遲。DeepSeek-R1 在本地環(huán)境中能夠?qū)崿F(xiàn)毫秒級的推理速度，這對于需要實時響應(yīng)的應(yīng)用（如智能客服、自動化流程等）尤為重要。

4. 成本可控

與依賴云端 API 調(diào)用相比，本地部署可以顯著降低長期使用成本。例如，通過優(yōu)化硬件配置和資源利用，DeepSeek-R1 的部署成本可以大幅降低，同時避免了按調(diào)用次數(shù)計費的高昂費用。

02在邊緣終端部署本地大模型的好處

邊緣終端，如樹莓派和英特爾哪吒開發(fā)套件，通常具有較低的功耗和成本，同時具備一定的計算能力。在這些設(shè)備上部署 DeepSeek-R1 大模型，可以帶來以下好處：

1. 降低云端依賴
邊緣終端的本地化部署減少了對云端服務(wù)的依賴，使得設(shè)備能夠在離線或網(wǎng)絡(luò)不穩(wěn)定的情況下獨立運行。這對于一些需要在偏遠(yuǎn)地區(qū)或網(wǎng)絡(luò)受限環(huán)境中使用的場景（如智能家居、工業(yè)物聯(lián)網(wǎng)等）非常有價值。

2. 應(yīng)用場景拓展
在邊緣終端部署 DeepSeek-R1 可以推動 AI 技術(shù)在更多領(lǐng)域的應(yīng)用，如教育、開發(fā)實驗、智能家居等。這不僅降低了 AI 技術(shù)的使用門檻，還促進了技術(shù)的普及。

3. 隱私保護

由于數(shù)據(jù)處理完全在本地完成，邊緣終端部署可以有效避免敏感信息的外泄，尤其適合對隱私有高要求的場景。

03在樹莓派上部署 DeepSeek-R1 的實現(xiàn)方式

目前網(wǎng)上看到的在樹莓派上部署大模型的主流實現(xiàn)方式是通過Ollama。

Ollama 是一個輕量級的 AI 模型部署工具，支持在樹莓派等低功耗設(shè)備上運行 DeepSeek-R1 模型。用戶可以通過簡單的命令行操作下載并啟動模型，例如運行 `ollama run deepseek-r1:1.5b` 來部署 1.5B 版本。它具有部署簡單和資源占用低的優(yōu)勢，Ollama 提供了簡潔的命令行操作界面，降低了部署的技術(shù)門檻。1.5B 版本的 DeepSeek-R1 模型對硬件資源的需求較低，適合樹莓派等低配設(shè)備。

但也存在一些劣勢，比如：

性能限制：樹莓派的硬件性能有限，推理速度較慢，可能無法滿足實時性要求較高的應(yīng)用。

內(nèi)存瓶頸：運行較大模型（如 8B 版本）時，樹莓派可能面臨內(nèi)存不足的問題。

功能受限：部分高級功能可能因硬件限制無法充分發(fā)揮，例如復(fù)雜的多任務(wù)處理。

04在英特爾哪吒開發(fā)套件上部署 DeepSeek-R1 的實現(xiàn)方式

目前暫未看到有在英特爾哪吒開發(fā)套件上部署 DeepSeek-R1 的介紹。為填補這一空白，本文介紹如何采用 WasmEdge 本地部署 DeepSeek-R1 的方式。

英特爾哪吒開發(fā)套件搭載了英特爾N97處理器（3.6GHz），配備64GB eMMC存儲和8GB LPDDR5內(nèi)存。英特爾N97處理器屬于 Intel Alder Lake-N 系列，采用僅 E-Core 的設(shè)計，專為輕量級辦公、教育設(shè)備和超低功耗筆記本電腦設(shè)計，成本和功耗更低，更適合嵌入式設(shè)備。

更關(guān)鍵的是！英特爾哪吒最大的優(yōu)勢就是自帶集成顯卡，Intel UHD Graphics，我們可以在iGPU上運行大模型。

WasmEdge 是一種高性能的 WebAssembly 運行時，適用于在邊緣設(shè)備上部署輕量級應(yīng)用。WasmEdge 提供了良好的跨平臺支持，能夠在多種硬件平臺上運行，包括樹莓派和 Intel 哪吒開發(fā)套件。這使得開發(fā)者可以使用同一套部署方案適配不同的硬件環(huán)境，降低了開發(fā)成本。

WasmEdge 本身輕量級，啟動速度快，適合資源受限的邊緣設(shè)備。通過 WebAssembly 的高效執(zhí)行機制，可以顯著提升模型的推理速度，優(yōu)化資源利用率。

WebAssembly 的設(shè)計使得模型能夠在邊緣設(shè)備上以接近原生的速度運行。此外，WasmEdge 還支持多線程和并行計算，進一步提升了推理效率。

05具體部署方案

1、下載依賴

apt update && apt install -y libopenblas-dev

2、克隆 WasmEdge 倉庫

git clone https://github.com/WasmEdge/WasmEdge.git

3、源碼編譯

cmake -GNinja -Bbuild -DCMAKE_BUILD_TYPE=Release 
 -DWASMEDGE_PLUGIN_WASI_NN_BACKEND="GGML" 
 -DWASMEDGE_PLUGIN_WASI_NN_GGML_LLAMA_BLAS=OFF 
 -DCMAKE_LIBRARY_PATH=/usr/lib/x86_64-linux-gnu 

4、執(zhí)行編譯后的文件

cmake --build build

5、安裝

cd build
sudo cmake --install . --prefix /home/hans/WasmEdge

6、運行模型

選用的是8B的DeepSeek- R1蒸餾模型（量化后3G大?。话憧吹綐漭缮现荒芘?.5B的DS蒸餾模型。

運行命令

wasmedge --dir .:. --nn-preload defaultAUTO:/home/DeepSeek-R1-Distill-Llama-8B.gguf llama-chat.wasm -p llama-3-chat

7、運行效果

總結(jié)

在探索了 DeepSeek-R1 的本地部署之旅后，我們不禁感嘆：AI 的世界正變得越來越觸手可及！從企業(yè)對數(shù)據(jù)隱私的嚴(yán)守，到邊緣設(shè)備上的高效推理，再到英特爾哪吒開發(fā)套件上的靈活部署，DeepSeek-R1 正在以一種前所未有的方式，將智能的力量帶到每一個角落。

而當(dāng)我們站在技術(shù)的十字路口，回望這一路的探索，或許會發(fā)現(xiàn)，真正的魔法并非來自模型本身，而是我們對技術(shù)的掌控和創(chuàng)新。

最后，讓我們以 DeepSeek-R1 的智慧之光，照亮未來的每一步。正如那句詩所言：“智能入世萬象新，笑與人間共潮生?！痹谶@個充滿無限可能的時代，Intel 哪吒開發(fā)套件不僅僅是一個開發(fā)板，它是我們通往智能未來的鑰匙。